Redes neurais recorrentes e expoente de Lyapunov aplicados a séries temporais financeiras

• Ano de defesa: 2019
• Autor(a) principal: Conti, Jean Pierre Jarrier
• Orientador(a): Lopes, Heitor Silvério
• Banca de defesa: Lopes, Heitor Silvério , Lazzaretti, André Eugênio , Manffra, Elisangela Ferretti
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Curitiba
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial
• País: Brasil
• Palavras-chave em Português: Redes neurais (Computação); Análise de séries temporais; Aprendizado do computador; Especulação (Finanças); Investimentos de capital; Liapunov, Funções de; Engenharia elétrica; Neural networks (Computer science); Time-series analysis; Machine learning; Speculation; Capital investments; Lyapunov functions; Electric engineering
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/4569

O estudo da formação de preço em ativos do mercado financeiro é considerado um dos tópicos mais desafiadores deste setor. A possibilidade de auferir lucro durante as oscilações intra-diárias torna a previsibilidade um dos problemas mais relevante para este segmento. Embora economistas, acadêmicos e profissionais da área tenham opiniões divergentes quanto à possibilidade de se prever preços, estudos recentes consideram existir algum grau de previsibilidade em séries financeiras. Este indício considera as séries de preços como um sistema não linear e caótico; onde neste caso, ao menos uma previsibilidade de curto prazo poderia ser obtida. Dentro deste contexto, métodos de Aprendizagem de Máquina e Aprendizagem Profunda, aliado a sistemas de apoio a tomada de decisão têm sido utilizados buscando prever a direção dos movimentos. Neste trabalho, o problema da previsão de direção do próximo minuto é abordado a partir da perspectiva de uma tarefa de classificação. Para tal, cinco ativos da Bolsa de Valores Brasileira foram escolhidos utilizando como premissa a liquidez dos ticks no período. Um método de supervisão de três classes foi aplicado e dez indicadores técnicos foram utilizados como atributos para os ativos escolhidos. Dois conjuntos de dados foram construídos onde no primeiro, o valor contínuo dos indicadores foi mantido enquanto no segundo todos os valores foram discretizados. Utilizando Máquinas de Vetores de Suporte, Floresta Aleatória, MLP e LSTM três métodos foram aplicados ao processo de classificação. O primeiro método comparou os resultados entre o conjunto contínuo e o conjunto criado através de indicadores discretizados. Mantendo apenas o classificador que apresentou o melhor resultado o segundo experimento acrescentou quatro atributos utilizando como cálculo o expoente de Lyapunov da série. O objetivo deste experimento foi investigar se os atributos poderiam contribuir para a melhora da classificação de todos os ativos. Por fim, um experimento final utilizou o cálculo do máximo expoente de Lyapunov como controle de treinamento para o classificador. O objetivo neste caso foi excluir trechos das séries onde o valor do expoente de Lyapunov indicasse presença de caos. Os resultados mostraram que embora a discretização dos indicadores tenha contribuído para a maioria dos classificadores, redes LSTM apresentaram um desempenho melhor nos conjuntos de dados contínuos na maioria dos ativos abordados. Em linhas gerais foi possível concluir que cada ativo se beneficiou de um conjunto de parâmetros específicos. Os experimentos demonstraram não haver um método que apresente um desempenho ideal para todos os ativos escolhidos no período definido.